Diseño y desarrollo de un sistema automático para la síntesis de parches de imagen histológica de cáncer de piel mediante arquitecturas GANs

Abstract

[ES] El cáncer de piel representa el grupo más común de neoplasias malignas en la población blanca. La tasa de incidencia del cáncer de piel, melanoma y no melanoma, está aumentando en todo el mundo. De hecho, en la actualidad, uno de cada tres cánceres diagnosticados es cáncer de piel. Entre los cánceres de piel más frecuentes destacan las lesiones cutáneas compuestas predominantemente de células fusiformes, un grupo heterogéneo de tumores cutáneos que van desde benignos hasta malignos. Este tipo de lesión está compuesta predominantemente por células neoplásicas en forma de huso que están dispuestas en láminas y fascículos. Las neoplasias cutáneas de células fusiformes son difíciles de diagnosticar debido a la considerable superposición morfológica entre los diferentes tipos de tumores que componen este grupo, lo que plantea especialmente un problema para los patólogos menos experimentados. Con el objetivo de ayudar a los patólogos en este diagnóstico, se han desarrollado sistemas basados en inteligencia artificial capaces de automatizar la clasificación de dichas muestras. Estas soluciones de inteligencia artificial se suelen enfrentar a dos problemas comunes, la ausencia de suficientes datos y el desbalanceo entre las distintas clases, lo que hace que sus resultados no sean del todo adecuados. El objetivo de este TMF reside en el desarrollo de un algoritmo generativo basado en técnicas de aprendizaje profundo para la síntesis de imagen histológica de piel. En concreto, se utilizarán y compararán varias modalidades de algoritmos basados en Generative Adversarial Neural Networks (GANs). Para ello, se contará con una base de datos de Whole Slide Images correspondientes a pacientes con neoplasias de piel junto con la anotación a nivel de pixel y de imagen de cada una de ellas.

[EN] Skin cancer represents the most common group of malignancies in the white population. The incidence rate of skin cancer, melanoma and non-melanoma, is increasing worldwide. In fact, one in three diagnosed cancers today is skin cancer. Skin lesions composed predominantly of spindle cells stand out among the most common skin cancers, a heterogeneous group of skin tumors ranging from benign to malignant. This type of lesion is predominantly composed of spindle-shaped neoplastic cells that are arranged in sheets and fascicles. Cutaneous spindle cell neoplasms are difficult to diagnose due to considerable morphologic overlap between the different tumor types that make up this group, posing a particular problem for less experienced pathologists.

With the aim of helping pathologists in this diagnosis, systems based on artificial intelligence have been developed that are capable of automating the classification of said samples. These solutions usually face two common problems, the lack of sufficient data and the imbalance between the different classes, which means that their results are not entirely adequate. Therefore, the aim of this TFG lies in the development of a generative algorithm based on deep learning techniques for the synthesis of histological skin images. Specifically, various modalities of algorithms based on Generative Adversarial Networks (GANs) will be used and compared. For this, there will be a database of Whole Slide images corresponding to patients with skin neoplasms together with the annotation at the pixel and image level of each one of them.

[CAT] El càncer de pell representa el grup més comú de neoplàsies malignes en la població blanca. La taxa d'incidència del càncer de pell, melanoma i no melanoma, està augmentant a tot el món. De fet, en l'actualitat, un de cada tres càncers diagnosticats és càncer de pell. Entre els càncers de pell més freqüents destaquen les lesions cutànies compostes predominantment de cèl·lules fusiformes, un grup heterogeni de tumors cutanis que van des de benignes fins a malignes. Aquest tipus de lesió està composta principalment per cèl·lules neoplàsiques en forma de fus que estan disposades en làmines i fascicles. Les neoplàsies cutànies de cèl·lules fusiformes són difícils de diagnosticar a causa de la considerable superposició morfològica entre els diferents tipus de tumors que componen aquest grup, la qual cosa planteja especialment un problema per als patòlegs menys experimentats. Amb l'objectiu d'ajudar als patòlegs en aquest diagnòstic, s'han desenvolupat sistemes basats en intel·ligència artificial capaços d'automatitzar la classificació d'aquestes mostres. Aquestes solucions se solen enfrontar a dos problemes comuns, l'absència de suficients dades i la falta G¶HTXLOLEUL HQWUHOHV GLIHUHQWV FODVVHV OD TXDO FRVD ID TXH HOV VHXV UHVXOWDWV QR VLJXHQ GHOWRW adequats. Per aquest motiu, l'objectiu d'aquest TFG resideix en el desenvolupament d'un algorisme generatiu basat en tècniques d'aprenentatge profund per a la síntesi d'imatge histològica de pell. En concret, s'utilitzaran i compararan diverses modalitats d'algorismes basats en Generative Adversarial Networks(GANs). Per això, es comptarà amb una base de dades de Whole Slide Images corresponents a pacients amb neoplàsies de pell juntament amb l'anotació a nivell de píxel i d'imatge de cadascuna d'elles.